人脸识别原理.docVIP

自动人脸识别基本原理 人脸识别经过近 40 年的发展，取得了很大的发展，涌现出了大量的识别算法。这些算 法的涉及面非常广泛，包括模式识别、图像处理、计算机视觉、人工智能、统计学习、神经 网络、 小波分析、 子空间理论和流形学习等众多学科。 所以很难用一个统一的标准对这些算 法进行分类。 根据输入数据形式的不同可分为基于静态图像的人脸识别和基于视频图像的人 脸识别。 因为基于静态图像的人脸识别算法同样适用于基于视频图像的人脸识别， 所以只有 那些使用了时间信息的识别算法才属于基于视频图像的人脸识别算法。 接下来分别介绍两类 人脸识别算法中的一些重要的算法。 特征脸 特征脸方法利用主分量分析进行降维和提取特征。主分量分析是一种应用十分广泛的数 据降维技术，该方法选择与原数据协方差矩阵前几个最大特征值对应的特征向量构成一组 基，以达到最佳表征原数据的目的。 因为由主分量分析提取的特征向量返回成图像时， 看上 去仍像人脸，所以这些特征向量被称为 “特征脸 ”。 在人脸识别中，由一组特征脸基图象张成一个特征脸子空间，任何一幅人脸图象（减去 平均人脸后） 都可投影到该子空间， 得到一个权值向量。 计算此向量和训练集中每个人的权 值向量之间的欧式距离，取最小距离所对应的人脸图像的身份作为测试人脸图像的身份。 下图给出了主分量分析的应用例子。 图中最左边的为平均脸， 其他地为对应 7 个最大特 征值的特征向量。 主分量分析是一种无监督学习方法，主分量是指向数据能量分布最大的轴线方向，因此 可以从最小均方误差意义下对数据进行最优的表达。 但是就分类任务而言， 由主分量分析得 到的特征却不能保证可以将各个类别最好地区分开来。 线性鉴别分析是一种著名的模式识别方法，通过将样本线性变换到一个新的空间，使样 本的类内散布程度达到最小，同时类间散布程度达到最大，即著名的 Fisher 准则。 标准特征脸 同一个人不同图像之间的的特征脸 不同人的图像之间的特征脸 弹性图匹配 Lades 等人针对畸变不变性的物体识别问题提出了一种基于动态连接结构的弹性图匹配 方法， 并将其应用于人脸识别。 所有人脸图像都有相似的拓扑结构。人脸都可表示成图，图 中的节点是一些基准点（如眼睛，鼻尖等） ，图中的边是这些基准点之间的连线。 每个节点包含 40 个 Gabor 小波（一种数字信号变换方法）系数，包括相位和幅度，这 些系数合起来称为一个 Jet ，这些小波系数是原始图像和一组具有 5 个频率、 8 个方向 的 Gabor 小波卷积（一种数字信号处理算子）得到的。这样每幅图就像被贴了标签一样， 其中的点被 Jets 标定，边被点之间的距离标定。所以一张人脸的几何形状就被编码为图中 的边，而灰度值的分布被编码为图中的节点。如下图所示： 弹性图匹配方法中人脸的弹性束图表示 为了识别一张新的人脸，需要从该人脸中找到基准点，提取出一个人脸图，这可用弹性 图匹配得到。 弹性图匹配的目的是在新的人脸中找到基准点， 并且提取出一幅图， 这幅图和 现有的人脸束图之间的相似度最大。 经过弹性图匹配后， 新的人脸的图就被提取出来了， 此 图就表征了新的人脸， 用它作为特征进行识别。 进行识别时， 计算测试人脸和现有人脸束图 中的所有人脸之间的相似度，相似度最大的人脸的身份即为测试人脸的身份。 由于该方法利用 Gabor 小波变换来描述面部特征点的局部信息，因此受光照影响较小。 此外， 在弹性匹配的过程中， 网格的形状随着特征点的搜索而不断变化， 因此对姿态的变化 也具有一定的自适应性。 该方法的主要缺点是搜索过程中代价函数优化的计算量巨大， 因而 造成识别速度较慢，导致该方法的实用性不强。 3D 形态模型 人脸本质上是 3D 空间中的一个表面， 所以原则上用 3D 模型能更好地表征人脸， 特别 是处理人脸的各种变化，如姿势、光照等。 Blanz 等人提出了一种基于 3D 形态模型的方 法，该方法将形状和纹理用模型参数编码， 同时提出了一个能从单张人脸图像还原模型参数 的算法。 形状和纹理参数可用来进行人脸的识别。 为了处理由于这些参数导致的图像之间差 异的极端情形，通常是预先产生一个通用的模型。而进行图像分析时，给定一张新的图像， 一般的做法是用通用模型去拟合新的图像，从而根据模型来参数化新的图像。 基于视频图像的识别算法 一个典型的基于视频图像的人脸识别系统一般都是自动检测人脸区域，从视频中提取特 征，最后如果人脸存在则识别出人脸的身份。在视频监控、信息安全和出入控制等应用中， 基于视频的人脸识别是一个非常重要的问题， 也是目前人脸识别的一个热点和难点。 基于视 频比基于静态图像更具优越性，因为 Bruce 等人和 Knight 等人已证明，当人脸被求反或 倒转时，运动信息有助于 （熟悉